基于Mask-RCNN海上升压站数字式仪表读数的自动识别算法

海上升压站采用挂轨机器人开展巡检作业,利用机器视觉手段自动识别数字式仪表读数,替代人工记录.提出了一种基于Mask-RCNN深度学习方法的数字仪表读数自动识别算法.将不同类型的数字仪表原始图像制作成数据集,利用深度学习算法进行训练,根据损失函数变化曲线对算法进行参数优化得到训练后的模型,再进行数字仪表图像的识别分析.采用灰度世界算法和霍夫变换等算法进行图像预处理,可有效改善数字识别的准确度.最后,实验对比了YOLOv3和Mask-RCNN深度学习算法的识别性能,结果表明前者具有较高的检测速度,后者具有更高的准确率.后者的识别率为99.52％,满足海上升压站远程监控对数字仪表读数正确率高的要求.     

基于Mask-RCNN海上升压站数字式仪表读数的自动识别算法

海上升压站采用挂轨机器人开展巡检作业,利用机器视觉手段自动识别数字式仪表读数,替代人工记录.提出了一种基于Mask-RCNN深度学习方法的数字仪表读数自动识别算法.将不同类型的数字仪表原始图像制作成数据集,利用深度学习算法进行训练,根据损失函数变化曲线对算法进行参数优化得到训练后的模型,再进行数字仪表图像的识别分析.采用灰度世界算法和霍夫变换等算法进行图像预处理,可有效改善数字识别的准确度.最后,实验对比了YOLOv3和Mask-RCNN深度学习算法的识别性能,结果表明前者具有较高的检测速度,后者具有更高的准确率.后者的识别率为99.52％,满足海上升压站远程监控对数字仪表读数正确率高的要求.     

计算机视觉在仪表数字识别中的应用

为克服人工读数存在的局限性问题,提高数字仪表读数效率,文章利用计算机视觉技术,自行构建样本数据库并训练卷积神经网络模型识别仪表数字。首先,采集仪表图像并对其进行预处理;其次,对预处理后的字符进行定位和切割;最后,引入训练过的网络模型对仪表数字进行分类识别。实验结果表明,该方法稳定性好、鲁棒性高、识别速度快,可以满足各类场景下的数字仪表读数需求。     

基于改进VGG网络的火灾图像识别

针对不同场景下火灾图像的识别问题,提出一种利用残差网络改进VGG16的模型。首先,将VGG16原有的3层全连接层改为1层,并增加dropout层以防止过拟合。其次,在残差块中的卷积层之后添加BatchNorm2d函数,对数据进行归一化处理。结果表明,改进的VGG16网络准确率、召回率和AUC值等指标性能均优于VGG16和Resnet34网络,能够对火灾图像进行快速、准确的识别。     

一种基于SVM的数字仪表显示值识别方法

数字仪表识别在工业中应用广泛,但各种仪表差别较大,方法也差别很多。在此提出了一种数字仪表显示值的快速识别方法,该方法首先由计算机自动定位分割图像中的数字区域,并实现了单个数字的切分,然后根据数字特点,创新性地改进了特征提取方法,对每个数字图像提取了一组具有较高区分度,且计算简单的典型特征。最后,基于SVM识别,构造了一种数字识别器,实现了仪表显示值的实时识别。     

基于改进VGG网络的面部表情识别方法

针对传统面部识别方法中网络模型重要通道特征关注度欠缺、参数过多、准确率低等问题，提出一种基于改进VGG19网络(Visual Geometry Group, VGG19)的表情识别方法。该方法在VGG19网络的每组卷积层之间都加入一个新模块，新模块由三方面组成：SE注意力机制模块、BN批量归一化层、PReLU激活函数，SE模块中的原激活函数ReLU替换为Mish激活函数，加速收敛，提升网络对面部细节关注度；对全连接层参数量进行修改，去除第一层全连接层和第二层全连接层，最大池化层替换为全局混合池化，达到卷积层加全局混合池化、一层全连接层的组合。原网络中全连接层节点数由[4 096,4 096,1 000]改进为[512,7],改善了VGG网络庞大参数量的特征，增加抗过拟合效果。在CK+和FER-2013表情数据集上准确率分别达到98.990%和73.112%,证明所提方法具有较好的泛化性和准确率。     

基于U2-Net和VGG16的天然气泄露检测

目前在深度学习领域很少以天然气泄露图像为数据进行研究,本文使用甲烷红外图像训练的卷积神经网络(VGG16)来实现泄露检测。另外,针对泄露的甲烷气体与背景图像存在相似性的问题,使用U²-Net图像分割网络代替背景建模方法来提取泄露气体区域。通过迁移VGG16网络模型结构和卷积层参数,在卷积层和激励层之间加入BN层以提高训练速度,将最后一层池化层替换为基于最大池化算法的动态自适应池化方法以提高检测精度。将改进的VGG16神经网络对分割的红外图像进行训练并与其他卷积神经网络进行对比,使用准确率,精准率,召回率和F1-score来对模型进行综合评价,其表现效果最好。与现有的检测方法进行对比,所提出的检测方法准确率更高。该检测方法能够实现高精度泄漏检测,满足天然气泄露检测准确性的要求,且模型具有较好的泛化能力和鲁棒性。     

基于卷积神经网络的肺炎检测系统

提出一种利用卷积神经网络对胸部X光影像数据进行分析,实现对肺炎这一常见症状进行检测的系统。该方案首先进行图像预处理,然后采用VGG卷积神经网络和改进VGG卷积神经网络分别实现对胸部X光影像的特征提取,得到两种网络对肺炎的检测准确率,最终测试结果显示,改进VGG卷积神经网络在对肺炎检测上具备比VGG网络更好的识别效果,同时,改进VGG网络在标定好的数据集进行训练时能够更快的收敛。通过在公开数据集上进行测试表明,改进VGG卷积神经网络得到了98.5%的准确率,相比于VGG网络提升了2%以上的识别准确率,证明该方案在肺炎识别上具有可行性。     

基于自适应调整VGG16网络的高色差视频图像预测

为了提升高色差视频图像自动分类的精确度,文章采用开源的深度学习框架Pytorch,提出了一种基于深度学习的高色差图像分类方法。文章针对高色差图像分类提出一种调整后的VGG16网络模型（Ad＿VGG16）,该网络利用正负例样本均衡化和学习率自适应调整来优化过拟合和局部最小值问题,其次因高色差图像分类效果与输入图像大小有很大关系,则修改VGG16网络第一个全连接层以适应任意大小的输入图像,再采用交叉验证来提高网络的泛化能力。最终的实验数据表明,与VGG16和ResNet18网络相比,Ad＿VGG16网络具有更好的分类准确度,其最终的分类准确度达到92%。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题，提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先，以Darknet19网络代替YOLOv3原始的Darknet53网络，并在特征学习时针对样本中不同MOA长宽比例，通过K-means聚类算法对MOA图像中的目标帧进行分析，重新聚类样本中心锚点框，得到合适的锚框数目和大小。最后，利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明，改进的YOLOv3模型识别精度达到96.3%，识别速度为6.75 ms。     

基于改进YOLOv3的瞳孔屈光度检测方法

针对瞳孔区域屈光度识别准确率低、检测效率低等问题,本文提出一种基于改进YOLOv3深度神经网络的瞳孔图像检测算法。首先构建用于提取瞳孔主特征的二分类检测网络YOLOv3-base,强化对瞳孔特征的学习能力。然后通过迁移学习,将训练模型参数迁移至YOLOv3-DPDC（Deep Pupil Diopter Classify）,降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题,最后采用Fine-tuning调参快速训练YOLOv3多分类网络,实现了对瞳孔屈光度快速检测。通过采集的1200张红外瞳孔图像进行实验测试,结果表明本文算法屈光度检测准确率达91.6%,检测速度可达45 fps,优于使用Faster R-CNN进行屈光度检测的方法。     

基于改进YOLOv5卷积神经网络的SAR图像目标识别

提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进：使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。     

基于图像处理的变电站指针式仪表读数研究

为解决变电站人工巡检指针式仪表工作强度大和读数误差高的问题,提出了一种基于图像处理技术的变电站指针式仪表自动检测系统。针对读入的图片实现图像灰度化、图像二值化;采用改进的Hough变换提取图像中的直线、计算指针角度和显示指针读数;并利用OpenCV函数库建立了指针式仪表图像的模型库,导入新的图片可选择不同的模型库。实验结果表明,该指针式仪表自动判读系统可以准确识别出指针的读数,且读数精度远大于人工读数。     

基于改进YOLOv5和手势识别的中学生实验评分方法研究

本文提出了一种基于改进YOLOv5和手势识别的中学生实验自动评分方法。将实验拆分为多个场景,应用改进的YOLOv5网络实现实验器材的目标检测,MediaPipe完成手势识别,并结合AI评分细则实现自动评分。实验表明,本文方案的自动评分准确率可达人工评分的70%,具有良好的性能,为基于深度学习的中学生实验评分提供了新思路。     

距离选通成像在无人机识别分类中的应用北大核心CSCD

针对无人机夜间难以识别的问题,采用YOLOv5算法对无人机激光图像进行识别分类。首先对距离选通成像原理进行了说明,其次介绍了YOLOv5网络结构,然后建立了五种无人机激光图像数据集,最后使用YOLOv5的四种网络模型对数据进行训练。实验结果得出,四种模型的准确率都是99.73%,损失率都在1%以内,同时,在YOLOv5s网络下五种无人机识别分类的平均识别率为96%、94.6%、95.2%、95.7%、95.4%,识别准确率较高。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题,提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先,以Darknet19网络代替YOLOv3原始的Darknet53网络,并在特征学习时针对样本中不同MOA长宽比例,通过K-means聚类算法对MOA图像中的目标帧进行分析,重新聚类样本中心锚点框,得到合适的锚框数目和大小。最后,利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明,改进的YOLOv3模型识别精度达到96.3%,识别速度为6.75 ms。     

基于孪生网络的肺部图像识别

针对临床上肺部图像识别准确率低、效果差等问题,提出一种基于孪生VGGNet的图像分类技术,以提高临床肺部图像检测的准确率。首先,使用VGGNet模型（包括VGGNet11、VGGNet13和VGGNet16）对比图像处理的准确率,结果表明,VGGNet模型处理图像准确率低,分类效果差。在此基础上,给VGG模型加入孪生网络,将两个输入图像经过共享的卷积神经网络模型进行特征提取,通过比较两个特征向量的距离或相似度来进行分类或识别,将模型的准确率提高到95%以上。根据实验结果,加入孪生网络后,提高了图像识别的准确性和鲁棒性,为医学领域提供了便利。     

基于YOLOv4-Efficient的目标检测和识别

在自动驾驶场景中,能够实现对前方车辆准确和及时的识别是至关重要的.本文对YOLOv4的主干网络进行修改,形成了YOLOv4-Efficient目标检测算法,在保证检测准确率的情况下,提高了检测速度.通过使用一种轻量级算法Efficient?Net代替YOLOv4的主干提取网络CSPDarknet53.改进后的模型参数量...     

基于改进YOLOv3的无人机机载激光雷达图像目标定位方法

为提升无人机机载激光雷达图像小目标定位的精度，提出基于改进YOLOv3的无人机机载激光雷达图像目标定位方法。基于MCA算法分割激光雷达图像信息，通过包含脊小波字典的稀疏表达重新构建图像信息，达到去除目标图像噪声的目的；通过变化检测技术分离目标区域聚类信息，将目标区域从背景区域中分离；将目标区域输入到优化后的YOLOv3算法中完成无人机机载激光雷达图像目标的定位。实验结果表明，所提算法的定位精度为95.1%,定位耗时平均为20.6 s。     

基于图像识别的仪表读数全自动检测技术

随着指针式仪表在电网应用范围的不断扩大,应用自动检测技术实现仪表数据的自动读取对提升工作效率有重要意义。为此,建立了基于图像识别的仪表读数全自动检测系统基本架构,详细分析了系统的硬件组成结构及设备选型要求,基于图像预处理以及读数识别两个部分对全自动检测系统软件技术实现过程进行解析计算。最后,对实验检测值和实际值进行比对分析,实验结果表明：所提方法可用于实现仪表数据全自动检测,其读数识别的精准度符合性能要求,具有高效化、智能化的运行特性。